Zamislite da postoji tehnologija koja u trenu može emulirati vaš ton glasa i proizvesti govor, koji nema veze s vama. Ipak, toliko je uvjerljiv da biste mogli svejedno biti odgovorni za njega. Čekajte, ispravak… ne morate to zamisliti. Evo objašnjenja. U ne tako dalekoj budućnosti ljude bi mogli u određenim aspektima svakodnevice vrlo uvjerljivo zamijeniti sofisticirani strojevi i tehnologija. Microsoftovi naučnici su čini se malo ubrzali približavanje takve budućnosti. Jeziva je.
U njihovom nedavnom istraživanju, koje je kreativno opskurno nazvano "Jezični modeli neuralnih kodeka su sintetizatori teksta bez uvježbavanja", predstavlja se jezični model neuralnog kodeka, nazvan VALL-E.
Jeziv ton
S jedne strane, nameće se pitanje postoji li novi, brži način da računar zapiše vaše izgovorene riječi. S druge strane, tehnologija nosi naziv sličan slatkom malom robotu iz popularnog filma.
Istraživanje međutim koristi riječi, fraze i akronime koji nisu poznati mnogim laičkim modelima ljudskog jezika. No dijelovi tog istraživanja daju naslutiti koje su mogućnosti te tehnologije i tu stvari poprimaju i pomalo jeziv ton.
VALL-E ističe kontekstualne mogućnosti učenja i može se koristiti za sintetiziranje visokokvalitetnog personaliziranog govora, sa samo 3 sekunde učitane snimke neviđenog govornika, kao akustične upute, pojašnjeno je u navedenom Microsoftovom istraživanju.
Drugim riječima, Microsoftu sad treba svega 3 sekunde nečijeg govora, kako bi njihova VALL-E tehnologija odglumila duže rečenice i možda velike govore koje zvuče prilično slično govoru izvornog govornika.
Pomoć iz Mete
Kako im to uspjeva? Pa tako što VALL-E koristi audio knjižnicu koju je sastavljala Meta. Riječ je o audio knjižnici LibriLight, koja je zapravo spremište ukupno 60.000 sati razgovora 7000 ljudi.
Novinar ZDNeta Chris Matyszczyk poslušao je šta VALL-E može napraviti. Slušao je muškarca kako govori 3 sekunde. Zatim je poslušao 8 sekundi kako je njegova VALL-E verzija bila ponukana da kaže: Potom su se oprezno kretali oko kolibe pipajući prije i oko njih kako bi pronašli nešto što bi pokazalo da je Warrenton ispunio svoju misiju. Na krajuje zapanjen zaključio da je razliku nemoguće primijetiti, uz opasku da je većina tih govora zvučala kao vrlo loši isječci književnosti 18. stoljeća.
Neke su verzije govora VALL-E-ja bile mrvicu sumnjivije od drugih. Dikcija nije bila dobra. Zvučalo je pokrpano. Ukupni je učinak, međutim, izrazito zastrašujući, piše novinar ZDNeta.
Umjetna inteligencija
Ipak, Microsoftovi naučnici su, čini se, i sami svjesni potencijalnih velikih nedostataka i rizika koji se javljaju uz takvu tehnologiju.
Budući da VALL-E može sintetizirati govor koji održava identitet govornika, može nositi potencijalne rizike u zloupotrebu modela, kao što je lažiranje identifikacije glasa ili oponašanje određenog govornika, kažu autori navedenog istraživanja.
Ipak, nude i rješenje - izgradnju sistema detekcije. No, pravo pitanje na koncu zapravo glasi, zašto onda uopće i istraživati tu tehnologiju?
Odgovor je jednostavniji nego što biste mogli pomisliti, a često glasi - zato jer mogu.
